Effets de la Dépréciation de la Gourde par rapport au Dollar Américain sur les Prix des Produits Alimentaires Distribués sur le Marché Haïtien ; Cas du Riz, Maïs, Poulet et Haricot sec (Période : 1990-2004)

4-5-5-2-2-. Test de coefficient des modèles (test du t-student)

Ce test statistique valable pour les petits échantillons de taille choisis d'une population normale et de variance inconnue a une importance capitale en analyse statistique et économétrique. Il consiste à calculer un t nommé t de Student selon l'équation qui suit une loi de Student à n-2 degrés de liberté. Le t calculé sera ensuite comparé au t tabulaire pour tester la signification du paramètre a₁.

4-5-5-2-3-. Test de signification d'ensemble de la régression (test de Fisher Snedecor)

La distribution de Fisher ou Test de Fisher a aussi une grande importance en analyse de variance et en analyse de régression. Autrement appelé distribution du F de Fisher, le test de Fisher s'obtient par le rapport de F variance expliquée et variance inexpliquée. Il est calculé par les formules suivantes : avec F* = (t*) ² avec t* Student empirique, où F* suit une loi de Fisher à 1 et n-2 degrés de liberté. En fonction du coefficient de détermination R² , F* se calcule ainsi (n étant le nombre d'observations).

Si, on rejette l'hypothèse d'égalité des variances, la variable x_t est significative, dans le cas contraire on accepte l'hypothèse d'égalité des variances et la variable x_t n'est pas explicative de la variable y_t.

F* : Fisher empirique

SCE : Somme des Carrés Expliqués (Variabilité expliquée)

SCR : Somme des Carrés des Résidus (Variabilité des résidus)

4-5-5-2-4-. Test de détection de l'autocorrélation (test Durbin-Watson)

L'autocorrélation existe quand le terme d'erreur d'une période est corrélé avec celui d'une autre période. Fréquente dans l'analyse des données obtenues suivant une série temporelle, elle conduit à des estimateurs du MCO sans biais et convergents, aux erreurs types biaisées et par conséquent à des tests statistiques inexacts et des intervalles de confiance biaisés. D'où une explication inadéquate des variations de la variable Y par le modèle. Pour la détecter l'autocorrélation on a calculé la statistique "d" de Durbin-Watson: où d est la statistique de Durbin et Watson, l'erreur au temps t, l'erreur au temps t décalé d'une année et la carré de l'erreur au temps t.

Cette valeur calculée est comparée aux valeurs théoriques de d notées d₁ et d₂ de la table de Durbin et Watson au seuil de signification á = 0,05.

4-5-5-2-5-. Coefficient de détermination et coefficient de corrélation partielle

Le coefficient de détermination est noté R². Il permettra de juger de la qualité de l'ajustement du modèle. Son pouvoir explicatif du modèle est d'autant plus grand que sa valeur est élevée. Il est calculé ainsi : . Tandis que pour juger du degré de corrélation existant entre les deux indices on a procédé au calcul du coefficient de corrélation partielle (nombre pur variant entre -1 et +1) suivant la formule :

X : indice du taux de change de la gourde par rapport au USD

Y : indice du prix à l'alimentation du produit

Cov(X, Y) : covariance entre X et Y ;

s(X) et s(Y) : écart type de X et écart type de Y ;

n : nombre d'observations.